Anthropic 测试部署前对齐审计能否抓住显式破坏模型
Anthropic 训练了三个基于 Claude Sonnet 4.5 Internal 的显式破坏模型，与两个良性模型一起做盲审计测试。人类审计员与自动化审计 Agent 配合，在两小时内正确识别全部五个模型，对三个破坏模型给出大于 97% 的破坏概率判断。
Agent智能体 大事记
重要进展 IMPORTANT_PROGRESS
2025-02-02 — 2025-02-02
重要进展 · 第 35 / 55 页
ChatGPT 推出多步骤 deep research
OpenAI 在 ChatGPT 推出 deep research，通过搜索、分析网页与材料完成多步骤研究并提供引用。初期向 Pro 用户开放；后续扩大范围不与首发混淆。
Agent智能体 精选历史资讯
— · 1 条
精选资讯 · 第 1 / 1 页
分类
排序
暂无内容